8月吃瓜教程—task05-学习笔记

最新推荐文章于 2025-12-25 23:14:13 发布
原创 最新推荐文章于 2025-12-25 23:14:13 发布 · 194 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #算法 #自然语言处理

本文概述了支持向量机的基本概念，包括其工作原理，通过距离最大化找到决策边界，以及模型定义。重点介绍了如何通过拉格朗日乘数解决对偶问题和防止过拟合的方法，如正则化与软间隔技术。

第六章 支持向量机

很早之前在自己看过其他有关于机器学习的书籍的时候，遇到支持向量机看的都模模糊糊
这次也小部分的公式也试着理解了，但由于时间的关系，没能全部将里面的公式一个一个推导弄懂

一、算法原理
  • 找距离正负样本最远的超平面
    距离计算为：在这里插入图片描述
    证明过程：
    Datawheal
二、模型

模型定义为：
在这里插入图片描述

三、如何求最大间隔超平面

利用拉格朗日乘法得到其“对偶问题”
解决思路是在这里插入图片描述

四、预防过拟合
  • 加入正则化
  • 实现软间隔
LLMs之IT：大模型核心技术—指令微调的简介、Self Instruction思想(一种生成指令数据集的方法论—主要用在指令微调阶段)的简介、Alpaca/BELLE应用、实战案例代码实现之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-05 2663
​ LLMs之IT：大模型核心技术—指令微调的简介、Self Instruction思想(一种生成指令数据集的方法论—主要用在指令微调阶段)的简介、Alpaca/BELLE应用、实战案例代码实现之详细攻略 目录 相关文章 指令微调的简介 Self Instruction思想的简介 Self Instruction的实战案例 相关文章 LLMs之Data：指令微调的简介、Self Instruction思想(一种生成指令数据集的方法论—主要用在指令微调阶
提示工程架构师助力数字营销的转型之路
SuperAGI2025
09-21 729
你有没有过这样的经历？花了2天整理的用户画像，最后发现和实际转化用户完全不符；投放了10万预算的广告，点击率却只有0.5%，连成本都没收回来；流量见顶、个性化需求爆发、内容创作效率低下、数据处理滞后，传统的“拍脑袋做策略、批量发模板、手动分析数据”模式，已经无法应对今天的用户需求。而提示工程架构师。
8月吃瓜教程—task04-学习笔记
Hugo_Knight的博客
09-02 223
书中脉络大概为: 1 神经元 2 感知机 :两层神经元 3 多层前馈神经网络 训练误差为: 4 误差逆传播算法 即最小化训练集D上的累积误差 而标准BP算法每次仅针对一个训练样例更新连接权和阈值,基于单个的Ek推导而得. 5 过拟合与欠拟合的解决方法 过拟合: 利用验证集达到早停 正则化,减少模型的复杂程度 6 如何跳出局部极小 多组不同参数值初始化 模拟退火,即允许一定概率使得误差变大 随机梯度下降,使得在极小值时仍能有梯度变化 遗传算法 ...
8月吃瓜教程—task01-学习笔记
Hugo_Knight的博客
08-17 280
第一章绪论的学习积累已经在之前写出。 链接：第一章绪论学习 补充一点内容： 一、没有免费的午餐定理 任何算法抛开实际问题来比较算法的优略性是无意义的。 通常我们只认为能高度拟合已有样本数据的函数才是真实目标函数 第二章 模型评估与选择 一、经验误差与过拟合 ①通常我们把分类错误的样本数占样本总数的比例称为“错误率”(error rate)，即如果在m个样本中有α个样本分类错误,则错误率E= a/m;相应的,1 - a/m称为“精度”(accuracy)，即“精度= 1-错误率”．更一般地,我们把学习器的
8月吃瓜教程—task03-学习笔记
Hugo_Knight的博客
08-30 173
第四章 4.1 算法原理 相当于在生成树，树的叶子节点代表了一个预测类别 4.2 为什么使用信息熵作为纯度判断标尺 信息熵用于对类别y作随机变量，将“不确定性”转换理解为集合内样本的“纯度” 信息熵 当X越大，即p(x) = 变量取值分之一，不确定性最大，即样本的纯度最低 4.3 如何优化使模型结果更好？ 划分选择： 1、使用信息增益 - 选择属性之后的信息增益最大的属性值 2、使用增益率 - 对信息增益的改进，但存在对取值数目较少的属性的偏好 3、使用基尼指数 - 反应随机两个样本之间的不一致的概率，
8月吃瓜教程—task02-学习笔记
Hugo_Knight的博客
08-23 169
第三章 线性模型 3.1 线性回归注意最小化误差的是y*到y的距离。 y是真实值，y*是预测值 3.2 多元线性回归 求参时： 最小二乘法 极大似然估计 3.3 为了使得计算加速，如利用numpy矩阵预算加速 最后的线性模型转化为 3.4 对数几率回归 模型： 策略： 极大似然法 信息论角度 算法： 梯度下降法 牛顿法 3.5 线性判别分析（LDA） ...
八月组队学习，吃瓜课程学习笔记打卡 Task1
weixin_57171836的博客
08-18 289
这里写目录标题机器学习第一章第二章小结 本次学习是Datawhale发起的组队学习系列 —— 吃瓜教程|八月份组队学习 学习内容由开源学习组织Datawhale提供 相关课程链接: https://www.bilibili.com/video/BV1Mh411e7VU. 机器学习 在选择吃瓜教程学习时，觉得自己的学习能力有待考究。但在此前就购入了《西瓜书》+《南瓜书》的我还是决定来试一试。 这是初次吃瓜，但是对机器学习的知识并不陌生，在此前参与的组队学习与自学的过程里，反而让我对这本西瓜书愈发好奇，希望
吃瓜教程学习笔记01
booa_的博客
02-14 421
吃瓜教程笔记Task1
红宝书单词学习笔记 list 101-135
丰锋的博客
07-25 864
(时间) 逐渐过去；“rise” 的过去式。v. (使) 穿上长袍。
谷粒商城 - 个人笔记(基础篇一)
热门推荐
知行
09-26 7万+
电商后台管理系统+电商系统，掌握微服务的全套方案。该系统有商品服务、仓储服务、订单服务、购物车服务、检索服务、认证中心服务、网关服务、用户服务、秒杀服务、第三方服务。使用SpringBoot+SpringCloud并配套SpringCloud Alibaba系列，引入全套微服务治理方案：Nacos注册中心/配置中心、Feign远程调用、Gateway网关、Redisson缓存、基于ElasticSearch7全文检索、异步编排与线程池、RabbitMQ柔性事务方案、Redisson分布式锁、分布式信号量等。
西瓜书前2章-task1
mumuzxy的博客
06-14 266
周志华西瓜书前2章笔记-详细
深度学习的学习记录（二）
qq_43613688的博客
05-19 1151
目录 任务 python基础知识 任务 继续进行多线学习。李沐和B站的课，至于西瓜书和南瓜书，我想等到自己论文答辩完，不是很忙的时候学习。 多看和记一下python的一些重要函数和语法 华为云的直播有一些活动和课，最近看到的，抽空看看。 接下来的两周还有两次机器学习的代码实践课，多学学机器学习的思想和python熟练度。 我可能学的很慢，但是每天都在学，希望最后有所收获 python基础知识 记录自己感觉重要和刚接触不同于java的一些东西，为了考研，有一年多没碰电脑，感觉还是忘掉的.
苍穹外卖项目解读(四) 微信小程序支付、定时任务、WebSocket
代码的尽头都是数学
08-10 3475
苍穹外卖项目解读(四) 微信小程序支付、定时任务、WebSocket
机器学习-DeepSeekR1
ArtoriaLili的博客
12-20 889
DeepSeek-R1：通过强化学习激励大语 言模型的推理能力 摘要我们推出了首代推理模型DeepSeek-R1-Zero和DeepSeek-R1。作为基础训练阶段，DeepSeek-R1-Zero通过大规模强化学习（RL）训练，无需监督微调（SFT），展现出卓越的推理能力。通过强化学习，该模型自然形成了诸多强大且引人入胜的推理行为。然而，其存在可读性差、语言混杂等挑战。为解决这些问题并进一步提升推理性能，我们推出了采用多阶段训练和冷启动数据的DeepSeek-R1。DeepSeek-R1在推理任务上的表
CHIPX Global 计划在马来西亚建设一座 8 英寸氮化镓/碳化硅（GaN/SiC）晶圆制造工厂
最新发布
qq_28126171的博客
12-25 86
总部位于都柏林的爱尔兰 CHIPX 公司，计划于马来西亚设立一座 8 英寸氮化镓/碳化硅（GaN - on - SiC）晶圆制造工厂。CHIPX 公司宣称，其专注于 GaN - on - SiC 技术，能够制造出具备高耐压特性的功率集成电路以及光子器件。此类核心技术对于人工智能数据中心、电视以及航空航天领域的高性能系统而言，具有举足轻重的意义。除了开展工厂建设工作，CHIPX 还谋划打造一个垂直整合的平台。该平台涵盖有组织的技术转让、工程合作伙伴关系以及针对当地人才的专项培养计划等内容。
机器学习高阶教程＜8＞分布式训练三大核心策略拆解
2303_77568009的博客
12-20 884
当单卡GPU遭遇显存不足、训练过慢的瓶颈时，分布式训练是突破限制的关键。本文深入浅出地解析了分布式训练的三大核心策略：数据并行通过复制模型、同步梯度实现高效训练；模型并行通过流水线与张量拆分攻克大模型存储难题；混合并行结合ZeRO等技术进一步优化资源。文中不仅配有PyTorch DDP、Megatron-LM等实战代码，还总结了常见陷阱与解决方案，助你轻松驾驭大规模模型训练。
08.什么是监督学习？
AI算法蒋同学的博客
12-20 748
摘要： 监督学习是一种机器学习方法，通过标记数据集训练模型，使其识别输入与输出间的关系，从而预测新数据的结果。训练过程依赖真实标签数据（人工标注或测量获得），利用梯度下降等优化算法调整参数，并通过损失函数评估准确性。监督学习分为分类（如SVM、决策树）和回归（如线性回归）任务，广泛应用于图像识别、垃圾邮件分类等领域。与无监督学习不同，监督学习需要标记数据指导模型训练，以实现高精度预测。其他学习方法还包括半监督、自监督和强化学习。
AI核心知识66——大语言模型之Machine Learning （简洁且通俗易懂版）
学习AI中...
12-24 691
机器学习是人工智能的核心技术，大语言模型（LLM）是其重要应用。与传统编程不同，机器学习让计算机从数据中自动学习规律。LLM的发展经历了三个阶段：无监督学习（预训练）、监督学习（微调）和强化学习（RLHF）。本质上，LLM是一个复杂的数学函数，通过调整参数来优化输出。近年来，得益于海量数据、强大算力和Transformer算法，机器学习技术才得以爆发式发展。机器学习不仅是具体技术，更是一种让计算机通过数据自主学习的思维方式，为AI发展奠定了重要基础。
机器学习周报二十七
weixin_60864619的博客
12-21 663
本周主要工作是阅读了两篇T2I方向的论文，理清风格迁移和图像重建之间的联系和区别，对应的问题采用对应的解法。上周的工作是风格迁移，将一张图像的“风格”（如笔触、颜色分布、纹理）迁移到另一张图像的“内容”上，不改变语义结构，图片中该有的内容大致都在。图像重建则是不一样的，根据语义指令修改图像内容本身，包括形状、结构、对象属性等。例如：“让天空更蓝”、“移除背景中的人”、“增大细胞核”。比如第一篇论文的生成full 4k picture，第二篇的去雾，去噪，让图片更清晰。
导论：什么是机器学习？——破除迷思，建立全景地图
htw250056的博客
12-21 1853
机器学习最迷人的地方，不在于复杂的公式，而在于它教会我们如何从混乱中寻找秩序，从噪声中提取信号。当你看到一组销售数据，能想到“或许可以用时间序列预测”；当你听到“用户流失率高”，会思考“能否用聚类找出高危群体”；当你面对一个新问题，不再慌张，而是冷静地问：“这是分类？回归？还是强化学习场景？我有哪些数据？目标是什么？——那一刻，你就真正拥有了机器学习的直觉。而这，正是本系列文章的终极目标。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值